論文の概要: An Error Budget for Shuffled Multimodal Windows in the 3rd WEAR Challenge: Stacking, Count Constraints and Seam Matching
- arxiv url: http://arxiv.org/abs/2610.32398v1
- Date: Fri, 23 Oct 2026 09:24:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.44625
- Title: An Error Budget for Shuffled Multimodal Windows in the 3rd WEAR Challenge: Stacking, Count Constraints and Seam Matching
- Title（参考訳）: 第3回チャレンジにおけるシャッフルマルチモーダルウィンドウの誤差予算 - スタック化, カウント制約, シームマッチング-
- Abstract要約: 第3回WEARデータセットチャレンジでは、4人の未確認参加者の1秒毎のアクティビティラベルを求める。
それぞれの窓には15のビデオMAEv2フレームの埋め込みがあり、1つのランダムな手足の加速度計信号があり、窓はシャッフルされている。
本報告は,課題期限後に構築された1つのシステムに関する実証分析である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The 3rd WEAR Dataset Challenge asks for an activity label for every one-second window of four unseen participants. Each window has 15 VideoMAEv2 frame embeddings, the accelerometer signal of one random limb, and the windows are shuffled. This report is an empirical analysis of one system built after the challenge deadline. Window classifiers are stacked with features averaged over per-participant graphs of video neighbours and scored successor candidates, and a mean-field style decoder with a soft count constraint per activity labels all windows of a participant together. The setting is offline and transductive, and the count constraint relies on each activity being performed once. In a participant-wise simulation with participant-level bootstrap intervals, stacking added 0.051 macro F1 over stage-1 fusion and the count constraint 0.011 (95% interval 0.006 to 0.017). A quadratic seam distance ranks the true same-limb successor first among about 720 candidates in 83.9% of cases, but adding it to the link model changed macro F1 by -0.0001 (-0.0006 to 0.0005). With the decoder settings and the mixing weight chosen inside the folds and the mislabelled spans left out of training, the system scores 0.936 in simulation (0.940 for participants who performed each activity once); the submitted configuration scores 0.938 (0.943). Per-participant scores range from 0.80 to 0.97. These results come from a non-nested stacking protocol that uses unlabelled features transductively, so they are not a fully inductive estimate. An oracle that averages the final unary scores over the true segments reaches 0.973, and 79% of the remaining errors involve the null class. On the private leaderboard, which no choice used, the selected Kaggle submission scored 0.9231 (public 0.9254, with bounds partly tuned there), and a later one with bounds chosen in simulation scored 0.9247 (public 0.9253).
- Abstract（参考訳）: 第3回WEARデータセットチャレンジでは、4人の見知らぬ参加者の1秒毎のアクティビティラベルを求める。
それぞれの窓には15のビデオMAEv2フレームの埋め込みがあり、1つのランダムな手足の加速度計信号があり、窓はシャッフルされている。
本報告は,課題期限後に構築された1つのシステムに関する実証分析である。
ウィンドウ分類器は、ビデオ隣人の参加者ごとのグラフの平均値と、後継候補のスコアと、アクティビティごとのソフトカウント制約付き平均フィールドスタイルデコーダを積み重ねて、参加者のすべてのウィンドウをラベル付けする。
設定はオフラインでトランスダクティブで、カウント制約は一度実行される各アクティビティに依存する。
参加者レベルブートストラップ間隔を用いた参加者ワイドシミュレーションでは、ステージ1融合で0.051マクロF1を加算し、カウント制約0.011(95%間隔0.006〜0.017)を加算した。
2次シーム距離は、83.9%のケースで720人の候補者の中で、真に同じリムの後継者をランク付けするが、リンクモデルに追加するとマクロF1が-0.0001(-0.0006から0.0005)に変更された。
デコーダの設定と、折りたたみ器内で選択されたミキシングウェイトと、ミスラベリングされたスパンがトレーニングから残されているため、システムはシミュレーションで0.936点(各アクティビティを一度実行した参加者は0.940点)、提出された構成では0.938点(0.943点)をスコアする。
参加者当たりのスコアは0.80から0.97である。
これらの結果は、非重複な特徴をトランスダクティブに使用する非ネストスタックプロトコルから得られるため、完全な帰納的推定にはならない。
真のセグメントで最終的なユニタリスコアを平均するオラクルは0.973に達し、残りのエラーの79%はnullクラスを含んでいる。
選択の余地のないプライベート・リーダーボードでは、選択されたカグルは0.9231点(公的な0.9254点、一部が調整された境界)、後にシミュレーションで選択された境界を持つものは0.9247点(公的な0.9253点)となった。
関連論文リスト
- The Missing Coefficients: Bayesian Pairwise Merging for Model Personalization [41.18073316117148]
ペアワイズ・マージング(Pairwise Merging、BPM)は、未知の報酬重みよりも後方を推論し、その平均をマージ係数として直接使う理論である。
我々は, 要約, 画像キャプション, 物語生成, テキスト・テキスト・テキスト生成, 画像・テキスト生成におけるBPMの評価を行った。
BPMは、ユーザごとのポリシートレーニングなしで、一対のフィードバックからのパーソナライズを可能にします。
論文 参考訳（メタデータ） (2026-09-30T06:00:22Z) - Native Association: Confidence-Aware Human Perception in the Wild with a Foundation VLM [0.0]
我々は、0.77B視覚言語モデルを微調整することで、アソシエーションをネイティブにする。
1つの余分なフォワードパスは、リジェクションオプションをサポートするフィールド毎の信頼を与える。
利得は構造の中に存在し、重み付けはしない。
論文 参考訳（メタデータ） (2026-09-27T11:00:02Z) - Where a Model Sends Its Own Repeated Token [0.0]
ブラックボックスモデルの識別は、自然言語のプロンプトに対するモデルの応答を評価することで機能する。
退化した入力を受け取り、モデルがそうでないときにどこに行くのかを尋ねます。
結果は語彙全体の地図であり、2つのハーフがある。
論文 参考訳（メタデータ） (2026-09-25T12:13:31Z) - Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。
畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。
その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T14:49:04Z) - Beyond Final-Token Classification: Heterogeneous Readouts for Evidence-Grounded Suicide Risk Detection [10.766937373263204]
出力実現から意味的検証を分離するヘテロジニアス・リードアウト分解(HRD)を導入する。
HRDは、通常リスクの4つの潜伏スコアを比較し、ほとんどの要因に対してトークンマージンを保持し、一方の共有潜伏プローブを通して7つのラベルをルーティングする。
これらの結果は, セマンティック表現のみではなく, 解答境界を測定可能な誤差源として同定する。
論文 参考訳（メタデータ） (2026-09-19T05:01:17Z) - Clean Engineering, Unstable Measurement: A Preregistered Reliability Failure of Black-Box LLM Observers on Shared Endpoints [4.41537705949485]
言語モデル審査員は、トレーニングデータをゲートし、世代をスコアし、リーダーボードを駆動する。
我々は、事前登録された2つのキャンペーンにおいて、すべてのしきい値が事前に固定された状態で、その仮定を監査した。
52,988件の要求を監査し、スピアマン0.400で0.90と一致した。
証拠を3段階のスナップショット識別はしご、8つの設計ルール、レポートチェックリストに抽出する。
論文 参考訳（メタデータ） (2026-09-03T17:59:43Z) - What You Can't See Is What You Learn: Slot-Selective Evidence Masking Favors Compositional Generalization in Shared-Genome Language-Model Societies [0.0]
我々は、アテンションマスクを除いて、10個のマッチした制限付き/グロバルペアを訓練する。
制限された視認性社会は、両深度で少なくとも20ポイント以上の視認性双生児を上回っている。
ホック選択後の6つの制限された社会では、正しく答えられた保留エピソードに対するパケットの介入は、およそ値インデクシングされたリレー状態と一致している。
論文 参考訳（メタデータ） (2026-08-20T13:51:45Z) - The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。
2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。
80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
論文 参考訳（メタデータ） (2026-08-06T17:57:06Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Divide and Ensemble: Progressively Learning for the Unknown [36.36998417883668]
進行試験データ予測のための DividE and EnseMble (DEEM) 法を提案する。
データセットを個々のグループに分割し、各グループで日付とトレーニングモデルを作成します。
本手法は平均93.6%のTop-1テスト精度を実現する。
論文 参考訳（メタデータ） (2023-10-09T05:55:17Z) - Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。
入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
論文 参考訳（メタデータ） (2021-09-12T19:33:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。